AI来了，美国银行那套“一次构建”的招数到底藏着什么玄机？国内的银行想不想也跟着学几招？答案是肯定的。AI对银行的冲击越来越明显，美国银行靠着“一次构建”的策略在这个浪潮里摸索前行，它们的经验值得咱们国内的银行好好借鉴。2018年，美国银行在它的移动应用里推出了AI助手Erica，这可不是个临时起意的小功能，而是整个公司人工智能战略的地基。他们用Erica的底层架构去搞定客户和员工那边的各种业务场景。忙活了七年多，哪怕AI技术有了无数次突破，美国银行还是坚持用最初的AI建设成果，这就是“建一次，往后多用”的好处。Erica设计的时候就很有远见，能适应以后的各种AI模型和变化。虽然生成式AI的突然火爆是个转折点，但美国银行在试过其他方法后决定死磕现有的资源，再加上大力投入，把Erica的架构翻新了一遍，打算在2025年打造出适合新时代的第二代平台。美国银行首席技术与信息官Hari Gopalkrishnan说：“只要在基础能力上多花心思，以后不管是第三次还是第四次、第五次去做开发都会快很多。” 最初的Erica其实是为了帮客户申请贷款更省事才弄出来的。等到像理财顾问这样的其他业务也有了同样的需求，美国银行就想着把之前给Erica搭的架子再利用起来。2020年的时候，银行推出了给员工用的Erica for Employees，用来解决一些基础的技术支持问题；还搞了个Ask Merrill，帮银行顾问们把客户信息整理得更高效。这时候银行觉得这种复用策略很靠谱，于是就把Erica的架构当作固定的方案来用。接下来就有了更多基于Erica的工具出来，比如CashPro Chat、Capital Markets Insights，还有个叫Ask Private Banking的玩意儿。Erica之所以成功，主要是因为它是个不依赖某个特定模型的平台。刚开始的时候它用的是BERT和OpenNLP这些开源的自然语言模型，但银行可以根据具体的任务换更合适的新模型上去。Gopalkrishnan说：“我们早就知道以后肯定要换模型。Erica是个能真正用上各种模式的平台。” 在别的地方搞基础模型往往要从头开始铺路、连数据库之类的，但美国银行的平台让工程师们不用各自去修“管道”，而是共享资源去想怎么提高性能、搞扩展性和安全性的问题。这就使得每个团队都能更快地去市场上见世面。 面对现在市面上各种大型语言模型LLM的出现，美国银行也不得不重新掂量一下“一次建造”的策略靠不靠谱。Gopalkrishnan就跟战略主管拉了个人工智能委员会出来，把所有业务部门都召集起来问问需求，最后弄出了大概15个概念验证的东西，让大家去试试不用Erica平台能不能行。结果发现大家一直在重复造轮子，这反倒坚定了他们要再给Erica架构砸钱的决心。 虽说AI现在进步很大了，不过目前最先进的那些生成式和大语言模型其实还是用的Transformer架构（就是银行当初给Erica用的那些开源技术）。所以Gopalkrishnan他们就照着第一代Erica的底子和经验教训的基础上，在2025年弄出了个更新版的平台。他说：“我们刚刚把架构弄清楚了一点，好把以前的东西重新组装包装一下，用来满足新的需求。” 当然美国银行这一路走来也不是顺风顺水的。他们家有6万名做技术开发的人，有时候大家想法挺多的容易跑偏。Gopalkrishnan说：“你得在系统里建个漏斗口所有想法都得往里面过才能冒出来。大家动不动就想出来一万个点子觉得明天就能干了，然后因为哪个供应商推销了个东西就开始比赛拼速度。”系统里一直存在这种矛盾冲突：你越坚定地推行“一次构建”，有时候就越容易拖慢组织发展的节奏。但Gopalkrishnan觉得要想走得最快还得讲规矩否则可能会反噬自己。“最大的难处就是要有机构的耐心和支持要认识到一开始慢下来能换来什么好处这才会让你以后跑得更快。” 美国银行从推出Erica开始不断拓展应用范围然后去应对生成式AI的挑战还有克服内部的各种矛盾一路走来给咱们国内的银行在AI时代的发展提供了不少实实在在的思路和经验值得好好学习一下。